相依数据下非参数方差模型的样条估计

针对相依数据下非参数方差模型,构造了非参数方差函数的多项式样条估计,在α-混合条件下,证明了估计的相合性,得到了最优全局收敛速度,模拟算例表明了估计方法的可行性。     

非参数回归模型基于残差的样条估计

为了探究固定设计下具有 α-混合相依误差的非参数回归模型的估计理论,基于多样式样条方法对均值函数进行了估计,利用残差构造了方差函数的样条估计.在一般假设条件下,均值函数估计量和方差函数估计量具有相同的一致收敛速度.数值模拟结果显示:基于贝叶斯信息准则下的样条估计优于赤池信息准则下的样条估计和局部线性估计.     

非参数方差模型的样条估计

基于多项式样条方法,构造了非参数方差模型中方差函数的相合估计,并且给出了该估计的最优全局收敛速度.模拟算例验证了理论结果的正确性.     

线性过程误差下回归函数的样条估计

针对固定设计和线性过程误差下的非参数回归模型,在较弱条件下,讨论了回归函数的多项式样条估计的逐点相合性,得到了逐点收敛速度.模拟算例表明了估计方法的可行性.     

函数系数部分线性模型的B样条估计

函数系数部分线性模型是一个比较广泛的模型,其常数项函数和系数函数具有不同的自变量,这给模型的估计带来了不小的挑战。利用B样条方法同时给出该模型的常数项函数和系数函数的估计,给出了估计的相合性、渐近正态性以及收敛速度,且该收敛速度达到了非参数最优收敛速度;最后,模拟说明了B样条方法对该模型的估计是有效的。     

半参数回归模型局部多项式估计的渐近性质

利用最小二乘局部多项式方法建立了半参数回归模型参数分量、非参数分量和误差方差的局部多项式估计,在适当的条件下,得到它们的渐近正态性和最优收敛速度。     

长记忆下函数型数据非参数回归的M-估计

文章根据模型Yi=m(Xi)+iε,i∈Z,其中,Xi取自半度量函数空间,在长记忆过程的条件下,研究函数型回归算子m(x)的非参数M-估计,利用方差分段的方法分别求得各自的收敛,并获得了在长记忆下函数型数据非参数回归M-估计的依概率收敛,以及其相应的收敛速度。     

线性过程误差方差的相合估计

对于固定设计和线性过程误差下的非参数回归模型,为了估计误差方差,首先基于多项式样条方法给出了回归函数的估计,然后根据所得残差序列构造了误差方差的点估计,在没有混合相依的一般条件下证明了该估计的相合性.此外,还通过算例进行了数值模拟,结果显示,该估计方法可行,同时在误差方差估计的绝对误差意义下,自动选择结点的BIC准则优于AIC准则,基于BIC准则选择结点的样条方法还优于基于交错鉴定法选择带宽的局部线性方法.     

具有幂变换的半参数分位数回归

考虑响应变量具有幂变换的半参数分位数回归模型.非参数部分运用B样条进行估计,通过最小化累积残差平方和来估计Box-cox幂变换中的参数.研究得到了半参数分位数回归模型估计的一致收敛速度.     

基于模态回归的半参数部分线性模型的稳健估计

以半参数部分线性模型为对象,研究了基于模态回归的稳健估计方法。非参数部分采用B样条近似,在模型的回归中通过控制核函数的带宽来实现估计的稳健性,结合局部二次算法(LQA)和模型期望值最大化算法(MEM),提出EM估计算法,得到了参数估计以及非参数部分估计的收敛速度。通过蒙特卡洛模拟和实例分析,验证了本文方法的有效性。